This listing was posted on Equest.
Thèse Intelligence Artificielle Hybride pour la Maintenance Prédictive (F/H)
Location:
Grenoble
Description:
Vous partagerez votre temps entre le Hub Intelligence Artificielle de Schneider Electric et un partenaire académique , le Centre de Recherche en Automatique de Nancy . Vous serez amené à concevoir, développer et tester diverses propositions (modèles, algorithmes) intégrant des connaissances métier et des techniques d'apprentissage p o ur résoudre des problèmes de gestion de la maintenance et du cycle de vie de produits électriques développés chez Schneider Electric. Vous réaliserez des études spécifiques pour caractériser les compromis entre différents types de modèles, notamment entre performance et simplicité. Vos travaux vous amèneront à écrire des articles scientifiques - et peut-être aussi des brevets - et à les présenter dans des conférences internationales du domaine. Plus de détails sur le contexte de la thèse ci - dessous : Cette thèse est une proposition de thèse CIFRE qui s'inscrit dans le contexte industriel de Schneider Electric avec pour objectif une amélioration des performances des produits vendus (ex: disjoncteurs, transformateurs, onduleurs, batteries, etc.) à travers le déploiement d'une maintenance prédictive. Cette thèse est à l'interface entre plusieurs problématiques dont le dénominateur commun réside dans la complexité de l'exploitation des données disponibles sur ces produits combinées avec des connaissances physiques et métiersissues d'expertises afin d'estimer l'état de santé (et son évolution potentielle dysfonctionnelle) de ces produits. Cette thèse est construite sur une synergie entre Schneider Electric (l'industriel ) et le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039; l'académique) de l'Université de Lorraine. Le CRAN est un acteur scientifique reconnu aussi bien au niveau national qu'international sur les problématiques de pronostic et d'aide à la décision en maintenance (prédictive) dans le cadre en autres des communautés PHM ( Prognostics and Health Management) au sein des fédérations GdR MACS, IEEE, PHM society, IFAC et CIRP. M aintenance Prédictive ... en général ? La maintenance prédictive consiste à pr évoir de futures pannes en cherchant à préconiser une maintenance préventive bien adaptée à l'état de santé réel de l'équipement concerné (maintenance en juste à temps). Les applications de maintenance prédictive sont de plus en plus pertinentes sur des installations industrielles qui autorisent la mise à disposition de données et leur exploitation par des techniques de l'intelligence artificielle (IA). En effet, lorsque les prévision s de pannes sont fiables, celles-ci permettent d'une part de déployer une stratégie de maintenance préventive adaptée , bénéfique en termes de coøt et de développent durable, et d'autre part, d'assurer la continuité des opérations du système concerné, avec parfois des enjeux de sécurité. Ce sujet a investi la plupart des secteurs industriels, aussi bien sur des simples appareils que sur des systèmes complexes tels que les appareils et matériels électroniques, batteries, machines industrielles, bâtiment, avion etc. L'importance de la maintenance prédictive est avérée économiquement avec un marché de 5.2 milliards de dollars en 2022 et une projection à 42 milliards de dollars à l'horizon 2030. Ce sujet est aussi à fort s enjeux académiques tels qu'étudiés par la communauté PHM ( Prognostics and Health Management) de type IEEE ou PHM Society. La maintenance prédictive se construit sur une chaine complexe de processus (ex. diagnostic, pronostic, aide à la décision), et aussi de phases depuis la conception du système qui embarque les capteurs nécessaires à son monitoring, la chaine d'acquisition et de transmission des données, le pré-traitement de ces dernières, le diagnostic du système, son pronostic ( prévision de durée de vie résiduelle jusqu'à la prochaine panne; concept de RUL- Remaining Useful Life), et enfin, la recommandation et la prise de décision. Malgré son intérêt évident, la maintenance prédictive peine cependant à se généraliser à cause de divers freins scientifiques et technologiques existant à chacun des maillons de cette chaine. Maintenance Prédictive ... chez S ch neider Electric Chez Schneider Electric, depuis longtemps un effort important est fait dans le développement et le déploiement de solutions de monitoring de nos systèmes (les produits vendus de type disjoncteurs, onduleurs, batteries, transformateurs), de détection de défaillance et d'estimation de durée de vie restante, afin d'éviter toute panne et garantir une continuité d'opérations, afin de garantir la sécurité des installations que nos systèmes protègent, et aussi afin de répondre aux enjeux de développent durable en ne réalisant des maintenances que lorsque cela est nécessaire. Ce défi en maintenance est donc une brique essentielle dans la pérennité de l'entreprise. Ainsi, nous disposons déjà de solides bases nous permettant de déployer ces solutions qui reposent principalement soit sur la connaissance physique des systèmes (modèles physique, loi de dégradation), que nos experts maitrisent mieux que quiconque, soit sur des techniques d'intelligence artificielle appliquées aux grandeurs mesurées (courant, tension, vitesse, température, distances, vibrations, images visibles) au cœur du système (algorithmes maison). Afin d'améliorer la précision et la robustesse de nos modèles, nous travaillons à combiner au mieux ces deux approches, complémentaires, par une approche unifiée, de type hybride. Objectif de la thèse en regard de ce contexte de maintenance prédictive et de combinaison d'approches Dans le cadre de cette thèse, nous nous intéresserons plus particulièrement au cœur de l'algorithme de prévision des pannes. En effet, l'objectif de cette thèse consiste à développer des méthodes de prévision permettant de combiner de manière optimisée la connaissance physique des experts et les techniques les plus avancées d'IA. Cette connaissance physique peut prendre des formes variées : très structurées (équations, modèles) ou moins structurée s (observations, avis d'experts), quantitative ou qualitative ... Méthode Globalement, les approches de pronostic développées peuvent être classifiés en deux groupes: approches basées sur les modèles (model- based approaches ) et approches guidées par les données (data- driven approaches ) pour la prévision de défaillance ou la durée de vie résiduelle d'un système (1,2). Les approches basées sur les modèles consistent à modéliser physiquement le système, y compris les mécanismes de dégradation de défaillances associés (1,10). Ces approches sont parfois très difficiles à utiliser pour des applications réelles en raison de la complexité du modèle à réaliser pour s'approcher au mieux de la complexité du système réel, de la prise en compte de l'ensemble de ses modes de dégradation mais aussi des facteurs d'influence , de la mise à jour du modèle ... De plus, ces approches présentent de faibles performances en situation d'utilisation "temps réel" . A contrario, avec le développement rapide des techniques de l'apprentissage automatique (Machine Learning) et de l'intelligence artificielle (IA), les approches guidées par les données telles que la régression de processus gaussien (GPR), les machines à vecteurs de support (VSM), les réseaux de neurones artificiels (ANN) (2,4,5), offrent de nouvelles perspectives au pronostic. Plus concrètement, les algorithmes sont entrainés et validés sur des jeux de données générées lors de campagnes d'essais avec des mesures collectées jusqu'à la défaillance du système. Par rapport aux approches basées sur les modèles, les approches guidées par les données sont non paramétriques et ne tiennent pas compte, initialement, de connaissances à priori sur le système. Ces approches peuvent résoudre des problèmes complexes, cependant leur performance dépend fortement de la quantité et de la qualité des données disponibles. En plus, le temps de calcul de ces données est aussi une contrainte majeure limitant l'application de ces approches pour un système industriel à constante de temps très rapide . Une orientation originale pour résoudre ces limitations tout en conservant les avantages d'une approche orientée données est de s'orienter vers des approches hybrides, reposant à la fois sur la connaissance physique des systèmes et sur les techniques d'intelligence artificielle utilisant ainsi en synergie des modèles et les données . Ces hybridations sont à considérer comme des solutions prometteuses pour améliorer la performance et le temps de calcul des approches purement données (7,8,11). Par exemple, les PINNs ( Physics-Informed Neural Networks) constituent une nouvelle (2019) classe de réseaux de neurones qui combinent apprentissage automatique et lois physiques (14,15). A ce jour, les approches hybrides existantes sont majoritairement proposées pour des systèmes spécifiques (ex., système de production, machines-outils) avec des types de connaissances physiques particulières (3,6,9,16,17). Elles ne sont donc pas directement applicables aux systèmes /produits développés par S c hneider Electric. Face à ce constat , nous avons pour objet dans cette thèse de fonder une méthodologie (générique) en support à l' hybridation qui permette de combiner efficacement les techniques les plus avancées d'IA et les connaissances physiques des experts que le groupe Schneider Electric possède non seulement sur ses produits, mais aussi sur les lignes qui les fabriquent , et l es données qui sont générées . Un des enjeux majeurs est donc la capacité à intégrer diverses formes de connaissance dans la méthode de prévision de pannes. Le travail théorique consistera à la fois à évaluer les techniques existantes (par ex. les PINNs , les approches bayésiennes et les techniques de construction de jumeaux numérique) et à en créer des nouvelles afin de construire une méthodologie adaptée aux différents types de données et de connaissances physiques et métier (4). Les originalités scientifiques majeures de la thèse en lien avec les enjeux précédents sont , par conséquent : * La formalisation de connaissance s hétérogène s (physique s , métiers) d'expert s sur le processus de dégradation/défaillance ; * Le développement d'une méthodologie en support à une hybridation de pronostics permettant de combiner de manière efficace les données disponibles et les connaissances d'expert s formalisées ; * Une proposition de métriques permettant d'évaluer la performance et la robustesse de cette hybridation de pronostics en regard d'un objectif de prévision de défaillance avec un certain degré de confiance ; * La considération pour cette méthodologie des éléments contextuels adaptés aux besoins et exigences de Schneider Electric en regard du déploiement efficient d'une maintenance prédictive sur ses produits. Tout au long de la thèse le (la) doctorant(e) s'appuiera sur des cas très concrets et variés de Schneider Electric pour lesquels sont disponibles, d'une part des données acquises sur les systèmes lors de campagnes d'endurance jusqu'à défaillance ainsi que des connaissances physiques et des connaissances métier apporté e s par les divers experts internes à la société . Les systèmes sur lesquels cette méthodologie sera appliquée sont variés (disjoncteurs, transformateurs, onduleurs, batteries, machines industrielles) et permettront donc d'éprouver et d'améliorer le caractère généralisable de la méthode. Résultats attendus Sur la première année : * Appréhender plus précisément les besoins, contraintes et exigences du côté industriel relatifs à la maintenance prédictive sur les produits de Schneider Electric. Un focus est à faire plus précisément sur les processus de pronostic de défaillance pour permettre d'isoler des verrous technologiques que Schneider Electric se doit se résoudre. * Repositionner ces besoins/exigences et les verrous technologiques s'y référant dans une vision plus générale de pronostic de défaillance telle que défendue dans les communautés scientifiques PHM, IEEE, IFAC ... Ce repositionnement est à mener surtout sur les processus concernés et en regard des approches hybrides combinant les connaissances hétérogènes d'expert et les techniques les plus avancées en IA (focus de la thèse). * Faire un état des lieux, en parallèle, sur les données disponibles (ex. mesures électriques, température, rendement, etc.) et données physiques/métiers existants au niveau des produits Schneider Electric dans un objectif de déployer du pronostic de défaillance. * En fonction des constats précédents, mener toute une étude bibliographique sur chacun des éléments soulevés. A minima cette étude va concerner: * Le processus de pronostic de dégradation/défaillance, * Les techniques les plus avancées en IA pour le pronostic de panne, * Les connaissances physique et métier utiles pour le pronostic de défaillance, * Les hybridations d'approches pour le pronostic. * De cette étude bibliographique (" problem statement "), isoler les verrous scientifiques nécessairement à résoudre pour répondre par voie de conséquence aux besoins industriels (résolution des verrous technologiques). Ces derniers vont a minima s'orienter sur la formalisation des connaissances physique et métier, la formalisation d'algorithmes avancés de pronostic, l'hybridation. * Rédaction d'une publication de synthèse sur la bibliographie en lien avec la problématique posée. Sur la deuxième année : * Reprendre les verrous scientifiques identifiés en fin de première année pour y apporter des réponses sous la forme de contributions scientifiques portant sur, par exemple : * La formalisation de connaissances hétérogènes d'expert sur le processus de défaillance de produits Schneider * La construction d'une méthodologie pour le déploiement des approches hybrides de pronostic qui permettent de combiner la connaissance hétérogène d'expert et des algorithmes avancés en IA pour la prévision de panne * La proposition d'une nouvelle méthode hybride de pronostic plus adaptée au contexte industriel chez Schneider * Le développement de métriques et de modèle d'évaluation de l'efficacité/pertinence/bénéfice d'une méthode hybride de pronostic. * Rédaction a minima d'un article en conférence internationale et d'un article en revue portant sur les contributions proposées. Sur la troisième année: * Expérimentation des différentes propositions (modèles, algorithmes) sur des produits Schneider réels. * Analyse des résultats obtenus pour valider ces propositions et/ou en proposer des améliorations. * Rédaction du mémoire de thèse. * Rédaction d'un deuxième article en revue sur les résultats applicatifs obtenus * Soutenance de thèse. Encadrement Le doctorant sera encadré par un partenaire académique sélectionné par Schneider Electric , i.e., le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039; l'académique) de l'Université de Lorraine. Chez Schneider Electric : Augustin Cathignol (responsable technique) et Claude Le Pape- Gardeux (responsable administratif ). Au sein de Schneider Electric, le doctorant sera basé à Intencity , Grenoble, France. Le doctorant sera intégré au AI Hub (plus de 300 collaborateurs répartis entre la France, les Etats-Unis et l'Inde). Des interactions étroites avec les data scientists et les spécialistes de la maintenance prédictive et des produits étudiés seront encouragées. Le doctorant participera donc à des séminaires (mensuels) et à d'autres événements (plusieurs fois par an). Il/elle bénéficiera également du soutien d'ingénieurs en données, d'architectes, de développeurs de cloud et d'edge computing et d'autres aides techniques au sein du AI Hub pour relever les différents défis des projets. L'AI Hub étant étroitement lié aux activités de Schneider Electric, il offre des collaborations directes et riches avec des experts du fonctionnement, de la maintenance et des produits concernés , obligatoires pour atteindre les objectifs du projet . Votre p rofil : Vous êtes diplômé(e) d'un Master 2 ou d'une d'école d'ingénieur, spécialisé en Intelligence Artificielle, avec des compétences en exploration de données, statistiques, probabilités et en apprentissage automatique. Vous êtes par ailleurs intéressé(e) par le Génie Industriel, l'ingénierie de produits, la fiabilité (capteurs, endurance, physique de la défaillance), la modélisation physique et l'utilisation de données de tests provenant de laboratoires. Vous êtes intéressé(e) par des applications IA concrètes à des données industrielles. Vous communiquez facilement en Français et en Anglais. Vous avez développé une expérience de programmation en Python ou dans un autre langage avancé (R,Julia, ...). Vous combinez créativité et rigueur, autonomie et capacité de travailler en équipe. Cette thèse vous permettra de développer une expertise forte dans l'utilisation de l'IA au service d'applications concrètes (dans le domaine de la fiabilité, du PHM) en contribuant aussi de façon significative à un axe de recherche émergent autour de l'hybridation d'approches pour le pronostic. Environnement informatique: * Langages : Python * Plateformes Cloud : Microsoft Azure, AWS * Outils : Git Pourquoi nous ? Chez Schneider Electric, nous nous engageons à créer un lieu de travail qui ne vous donne pas seulement un emploi mais un but significatif en rejoignant notre mission d'apporter l'énergie et l'efficacité pour permettre la vie, le progrès et le développement durable pour tous. Nous croyons qu'il faut donner aux membres de notre équipe les moyens d'atteindre leur plein potentiel, en encourageant un sentiment d'appartenance à leur travail. Nous considérons l'inclusion comme une valeur fondamentale, en veillant à ce que chaque voix soit entendue et valorisée. Nous valorisons les différences et accueillons des personnes de tous horizons. Nous croyons en l'égalité des chances pour tous, partout. Si vous souhaitez faire partie d'une entreprise où vos contributions comptent vraiment, où vous avez la possibilité de faire la différence et où l'inclusion est valorisée, nous serions ravis d'entendre parler de vous. Découvrez une carrière enrichissante, inclusive et responsabilisante chez Schneider Electric. 34,2 milliards d'euros de chiffre d'affaires global +12% de croissance organique 135 000+ employés dans plus de 100 pays #N° 1 du classement Global 100 des entreprises les plus durables au monde Vous devez soumettre une demande en ligne pour que votre profil soit pris en considération pour un poste chez nous. Ce poste sera visible jusqu'à ce qu'il soit pourvu. Schneider Electric aspire à être l'entreprise la plus inclusive et la plus solidaire au monde, en offrant des opportunités équitables à chacun, partout, et en veillant à ce que tous les employés se sentent valorisés et en sécurité pour donner le meilleur d'eux-mêmes. Nous reflétons la diversité des communautés dans lesquelles nous opérons et nous faisons de la différence l'une de nos valeurs fondamentales. Nous sommes convaincus que nos différences nous rendent plus forts en tant qu'entreprise et en tant qu'individus et nous nous engageons à promouvoir l'inclusion dans tout ce que nous faisons. Cet engagement s'étend à nos candidats et est ancré dans nos pratiques de recrutement. Pour en savoir plus sur notre engagement en faveur de la diversité, de l'équité et de l'inclusion, cliquez ici et sur notre politique DEI, cliquez ici .
Company:
Schneider Electric
Posted:
July 3 on Equest
Visit Our Partner Website
This listing was posted on another website. Click here to open: Go to Equest
Important Safety Tips
- Always meet the employer in person.
- Avoid sharing sensitive personal and financial information.
- Avoid employment offers that require a deposit or investment.
To learn more, visit the Safety Center or click here to report this listing.